آموزش هوش مصنوعی مولد با مدیریت متن (Context): کاربردهای RAG، CAG و KAG - آخرین آپدیت

دانلود Generative AI with Context: RAG, CAG & KAG Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره جامع، بر مفاهیم تولید افزوده در هوش مصنوعی با استفاده از متدهای RAG، CAG و KAG مسلط شوید؛ از جستجوی معنایی و کشینگ گرفته تا گراف‌های دانش. در این مسیر، شما یاد خواهید گرفت که چگونه خط لوله‌های (Pipelines) هوش مصنوعی آگاه به متن را با استفاده از تولید افزوده بازیابی (RAG)، تولید افزوده کش (CAG) و تولید افزوده دانش (KAG) بسازید. همچنین با به‌کارگیری جستجوی معنایی و Embeddingها، مدل‌ها را به منابع دانش خارجی متصل کنید تا پاسخ‌هایی دقیق‌تر و مستندتر دریافت نمایید. عملکرد هوش مصنوعی را با استراتژی‌های کشینگ (Caching) بهینه‌سازی کنید تا تکرار کاهش یافته و کارایی در کاربردهای واقعی افزایش یابد. از گراف‌های دانش برای استدلال ساختاریافته استفاده کنید و به سیستم‌های AI اجازه دهید موجودیت‌ها، حقایق و روابط را استخراج کنند. جریان‌های کاری هوش مصنوعی را گام‌به‌گام عیب‌یابی و اصلاح کنید و در حل مشکلات و بهبود قابلیت اطمینان سیستم‌ها تخصص پیدا کنید. در نهایت، تئوری‌ها را به عمل تبدیل کنید و پروژه‌های عملی را به اتمام برسانید تا مشاهده کنید چگونه تولید افزوده، کیفیت هوش مصنوعی مولد را متحول می‌کند. پیش نیازها: این دوره به‌گونه‌ای طراحی شده است که حتی اگر در زمینه هوش مصنوعی آگاه به متن تازه‌کار هستید، بتوانید آن را دنبال کنید. پیش‌نیاز سخت‌گیرانه‌ای وجود ندارد، اما آشنایی اولیه با برنامه‌نویسی و یادگیری ماشین مسیر یادگیری شما را هموارتر می‌کند. مهارت‌های برنامه‌نویسی: داشتن درک مقدماتی از زبان پایتون مفید است، زیرا تمامی پروژه‌های عملی با پایتون پیاده‌سازی شده‌اند. اگر کاملاً مبتدی هستید، نگران نباشید؛ ساختار دوره به‌گونه‌ای است که شما را در مراحل نصب، راه‌اندازی و هر جریان کاری با توضیحات و تمرینات واضح هدایت می‌کند. هدف ما کاهش موانع ورودی و ساده‌سازی مفاهیم پیشرفته AI است تا شما بتوانید بر یادگیری و ساخت متمرکز شوید.

هوش مصنوعی با سرعت در حال تکامل است و مرز بعدی، «متن» یا Context است. مدل‌هایی که می‌توانند اطلاعات درست را در زمان درست درک، بازیابی و استدلال کنند، نه تنها دقیق‌تر، بلکه هوشمندتر، قابل‌اعتمادتر و به هوش انسانی نزدیک‌تر هستند. این دوره، هوش مصنوعی آگاه به متن، طراحی شده است تا مهارت و اعتمادبه‌نفس لازم برای ساخت چنین سیستم‌هایی را به شما ببخشد.

به جای تئوری‌های خشک، شما سفری هدایت‌شده را در مهم‌ترین جریان‌های کاری آگاه به متن تجربه خواهید کرد: تولید افزوده بازیابی (RAG)، تولید افزوده کش (CAG) و تولید افزوده دانش (KAG). هر مفهوم ابتدا به‌وضوح معرفی شده و سپس با پروژه‌های عملی تقویت می‌شود تا قدرت مدیریت متن را در عمل ببینید. شما یاد می‌گیرید چگونه مدل‌ها را به دانش خارجی متصل کنید، عملکرد را با کشینگ بهینه کنید و گراف‌های دانش را برای استدلال ساختاریافته ادغام نمایید.

آنچه این دوره را متمایز می‌کند، تعادل میان شفافیت و کاربردی بودن است. ایده‌های پیچیده به توضیحات بصری و شهودی تبدیل شده و با تمرینات و مثال‌های واقعی پشتیبانی می‌شوند. در پایان، شما نه‌تنها نحوه عملکرد AI آگاه به متن را درک می‌کنید، بلکه خط لوله‌های عملیاتی خواهید داشت که می‌توانید آن‌ها را در پروژه‌های خود، اعم از چت‌بات‌های هوشمند، ابزارهای جستجوی سازمانی یا سیستم‌های استدلال پیشرفته، به کار ببرید.

اگر آماده‌اید از پاسخ‌های کلیشه‌ای هوش مصنوعی فراتر رفته و برنامه‌هایی بسازید که واقعاً متن و زمینه را درک می‌کنند، این دوره سکوی پرتاب شماست. به ما بپیوندید و گام بعدی را به سوی ساخت سیستم‌های هوشمندی بردارید که عمیق‌تر فکر می‌کنند، هوشمندتر پاسخ می‌دهند و ارزش واقعی خلق می‌کنند.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course Content

  • اطلاعات دوره Course Information

  • فایل‌های منبع و لینک‌ها Source Files and Links

نصب‌ها و تنظیمات مورد نیاز Required Installations & Setups

  • نصب Git Git Installation

  • مخزن گیت‌هاب و VSCode GitHub Repo & VSCode

  • تنظیم متغیرهای محیطی API Setting API’s Environmental Variables

تولید افزوده بازیابی (RAG) Retrieval Augmented Generation (RAG)

  • آشنایی با RAG Introduction to RAG

  • منابع داده و تکه‌تکه کردن اسناد (Chunking) Data Source and Document Chunking

  • مدل Embedding Embedding Model

  • ذخیره‌ساز برداری و جستجوی معنایی Vector Store & Semantic Search

  • تولید متن و تقویت پرامپت Context Generation and Prompt Augmentation

پروژه عملی RAG Hands-On RAG Project

  • ساختار پروژه Project Structure

  • مقداردهی اولیه شیء Client Initialize Client Object

  • بارگذاری پایگاه دانش Load Knowledge Base

  • تابع مدل Embedding Embedding Model Function

  • شباهت کسینوسی (Cosine Similarity) Cosine Similarity

  • تابع کش Embedding Embedding Cache Function

  • جستجوی معنایی Semantic Search

  • توسعه خط لوله RAG RAG Pipeline Development

  • اجرا و عیب‌یابی Running and Debugging

  • تمرین Exercise

  • پاسخ تمرین Exercise Solution

تولید افزوده کش (CAG) Cache Augmented Generation (CAG)

  • آشنایی با CAG Introduction to CAG

پروژه عملی CAG Hands-on CAG Project

  • ساختار پروژه Project Structure

  • تابع بارگذاری دانش Load Knowledge Function

  • توسعه خط لوله CAG CAG Pipeline Development

  • تمرین Exercise

  • پاسخ تمرین Exercise Solution

تولید افزوده دانش (KAG) Knowledge Augmented Generation (KAG)

  • آشنایی با KAG Introduction to KAG

  • گراف دانش Knowledge Graph

  • جریان کاری KAG و مقایسه با RAG KAG Workflow and Comparison with RAG

پروژه عملی KAG Hands-On KAG Project

  • ساختار پروژه Project Structure

  • تولید گراف دانش Knowledge Graph Generation

  • بارگذاری گراف دانش Load Knowledge Graph

  • استخراج موجودیت‌ها از سؤال کاربر Extract Entities from User Question

  • استخراج حقایق Extract Facts

  • توابع RAG و تلفیق (Fusion) RAG Functions and Fusion

  • توسعه خط لوله KAG KAG Pipeline Development

  • اجرای پروژه و عیب‌یابی Project Execution and Debugging

  • تمرین Exercise

  • پاسخ تمرین Exercise Solution

نمایش نظرات

آموزش هوش مصنوعی مولد با مدیریت متن (Context): کاربردهای RAG، CAG و KAG
جزییات دوره
8.5 hours
41
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
740
4.5 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!